卷积神经网络在平稳学习任务中的可迁移性
机器学习
2023-07-24 v1 信号处理
摘要
硬件和大数据获取的近期进展加速了深度学习技术的发展。在很长一段时间内，增加模型复杂度带来了各种任务上的性能提升。然而，这一趋势正变得不可持续，亟需替代性的、计算更轻量的方法。本文针对大规模空间问题，提出了一种高效训练卷积神经网络（CNN）的新框架。为此，我们研究了当下层信号为平稳信号时 CNN 的特性。我们表明，在此类信号的小窗口上训练的 CNN，无需重新训练即可在更大得多的窗口上达到近乎相同的性能。我们的理论分析支持了这一论断，给出了性能退化界限。此外，我们在两个任务上进行了充分的实验分析：多目标跟踪与按需移动基础设施。结果表明，该 CNN 在仅以少于十个智能体训练后，能够处理包含数百个智能体的问题。因此，CNN 架构以先前计算上难以处理的规模解决了这些问题。
引用
@article{arxiv.2307.11588,
title = {Transferability of Convolutional Neural Networks in Stationary Learning Tasks},
author = {Damian Owerko and Charilaos I. Kanatsoulis and Jennifer Bondarchuk and Donald J. Bucci and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2307.11588},
year = {2023}
}
备注
14 pages, 7 figures, for associated code see https://github.com/damowerko/mtt